단조성 점수 매칭을 이용한 평균 처리 효과 추정

본 연구는 관측 연구에서 평균 처리 효과(ATE)를 추정하기 위해, 프로펜시티 점수를 단조 증가 함수로 가정하고 이를 이소톤 회귀(isotonic regression)로 추정하는 새로운 일대다 매칭 방법을 제안한다. 기존 매칭 방법은 매칭 수 선택, 거리 가중치 설정, 비모수 추정의 밴드폭·시리즈 차수 선택 등 여러 실무적 난점을 안고 있었으며, 특히 고정된 매칭 수를 사용할 경우 효율성이 떨어지고, 부트스트랩을 적용하기 어려운 문제가 있었다. 제안 방법의 핵심은 다음과 같다. 1) 단조성 가정 하에 프로펜시티 점수 p(x)를 이소톤 회귀로 추정한다. 이때 추정된 p̂(x)는 구간별로 동일한 값을 갖는 구간(partition)을 형성한다. 2) 같은 구간에 속하는 처리군과 대조군을 정확히 매칭함으로써 매칭 수를 사전에 지정할 필요가 없으며, 매칭 거리 역시 구간 내에서는 0이 된다. 3) 이소톤 추정은 매끄럽지 않기 때문에 전통적인 비모수 추정에서 요구되는 밴드폭·시리즈 차수와 같은 튜닝 파라미터가 필요하지 않다. 하지만 이소톤 추정은 경계에서 “스파이킹”(0 또는 1에 고정) 현상이 발생해 매칭 집합이 비어버리는 문제를 가진다. 이를 해결하기 위해 저자는 Meyer(2006)의 전역 일관성을 확장한 균일 일관(UC‑isotonic) 추정기를 개발한다. UC‑isotonic 추정기는 전체 데이터를 그대로 사용하면서도 경계 편향을 최소화하고, √N‑일관성과 반효율 경계에 도달한다. 이론적 결과는 크게 두 부분으로 나뉜다. 단변량 경우, 제안 매칭 추정기가 Hahn(1998)이 제시한 반효율 경계에 도달함을 증명한다. 다변량 경우에는 단일지수 모델(single‑index)과 결합해, 단조 증가 링크 함수를 비모수적으로 추정하고, 이 추정값을 이용해 매칭을 수행한다. 이때도 동일한 효율성을 확보한다. 또한, UC‑isotonic 기반 매칭 추정기가 역확률 가중(IPW) 추정기와 수학적으로 동등함을 보여, 기존 DML(Double Machine Learning) 접근법과 비교했을 때 튜닝 파라미터 의존도가 현저히 낮으며, 비모수적 강인성을 유지한다는 장점을 강조한다. 부트스트랩 측면에서는, 단조성 가정 하에 비모수 부트스트랩이 정상적인 asymptotic 분포를 정확히 재현함을 증명한다. 따라서 복잡한 와일드 부트스트랩 절차 없이도 신뢰구간을 구성할 수 있다. 실증적 검증을 위해 저자는 다양한 Monte‑Carlo 시뮬레이션을 수행한다. 결과는 (i) 고정 매칭 수를 사용하는 전통적 매칭보다 효율성이 크게 향상되고, (ii) 프로펜시티 점수를 로짓·프로빗 등 파라메트릭 모델로 추정했을 때보다 강인성이 뛰어나며, (iii) DML과 비교했을 때 평균 제곱 오차가 비슷하거나 더 낮음을 보여준다. 결론적으로, 이 논문은 단조성이라는 경제학적 직관에 기반한 이소톤 회귀를 활용해, 매칭 기반 ATE 추정의 주요 실무적·이론적 한계를 동시에 해결한다. 제안된 UC‑isotonic 매칭 추정기는 효율성, 튜닝 파라미터 회피, 모델 오차에 대한 강인성, 부트스트랩 유효성 등 네 가지 핵심 요구를 만족시키며, 향후 정책 평가 및 실험 설계에서 실용적인 대안으로 활용될 전망이다.